人工智能與大數(shù)據(jù)能否糾正人類種族歧視？

• 2018年7月19日 ZhangHongYuan來源：新浪科技 871 54
• 繁體

• 

  2018-2023年中國人工智能技術(shù)應(yīng)用行業(yè)深度分析及投資風(fēng)險預(yù)測報告

  與早期人工智能相比，新一代人工智能正在全新信息環(huán)境、海量數(shù)據(jù)基礎(chǔ)和持續(xù)演進、不斷豐富的戰(zhàn)略目標的引領(lǐng)下，依托于云計算、大數(shù)據(jù)兩大基礎(chǔ)平臺和機器學(xué)習(xí)、模式識別和人機交互三大通用技術(shù)，...

我們對大數(shù)據(jù)的使用是會糾正我們的偏見，還是會讓情況更加糟糕?

美國科學(xué)雜志nautil.us《鸚鵡螺》作者Aaron M. Bornstein近日發(fā)表了討論人工智能與大數(shù)據(jù)能否糾正人類種族歧視的深度報道。盡管人工智能設(shè)計者和數(shù)據(jù)工程師可能沒有類似種族歧視的偏見，但大數(shù)據(jù)從業(yè)者都明白，用于提供定制服務(wù)的大型數(shù)據(jù)集不可避免地包含豐富詳細的信息，包括具有受保護屬性的膚色、性別、性取向和政治取向等。算法在這些數(shù)據(jù)的基礎(chǔ)上做出的決定可以隱蔽地打開這些屬性，既令人難以察覺，又是不道德的。

以下為文章全文：

我們對大數(shù)據(jù)的使用是會糾正我們的偏見，還是會讓情況更加糟糕?

“我們不知道顧客是什么樣的，”亞馬遜公司負責(zé)全球通訊公關(guān)的副總裁克雷格·伯曼(Craig Berman)在接受彭博新聞社采訪時說道。伯曼是在回應(yīng)有人對亞馬遜的當(dāng)日送達服務(wù)歧視有色人種的指控。從字面上看，伯曼的辯護是誠實的：亞馬遜在選擇當(dāng)日送達的區(qū)域時是根據(jù)成本和收益因素，例如家庭收入和送達的可及性。但是，這些因素是通過郵政編碼匯總起來的，因此會受到其他塑造了——并將繼續(xù)塑造——文化地理學(xué)的因素的影響。查看當(dāng)日送達的服務(wù)地圖，很難讓人不注意到其與膚色的對應(yīng)關(guān)系。

這樣的地圖讓人想起了羅伯特·摩斯(Robert Moses)，這位城市規(guī)劃大師在數(shù)十年時間里塑造了現(xiàn)代紐約城及周邊郊區(qū)大部分的基礎(chǔ)設(shè)施。然而，他備受爭議的一點是不希望窮人，尤其是窮苦的有色人群，使用他在長島上建造的新公園和海灘。盡管摩斯曾努力促成了禁止公共汽車在高速公路上行駛的法律，但他知道，這條法律遲早有一天會被廢除。因此，他建造了更加持久的東西：幾十個高度很低，公共汽車無法通行的天橋，將歧視真正地具體化。這一決定，以及其他幾十個類似的決定都影響深遠而持久。幾十年后，關(guān)于公共汽車的法律已經(jīng)廢除，但沿著高速公路排列的城鎮(zhèn)依然像從前一樣隔離著?！胺煽偸强梢孕薷牡?，”摩斯說，“但一座橋建好以后，就很難拆掉了?！?/p>

今天，在受到原有結(jié)構(gòu)影響的數(shù)據(jù)基礎(chǔ)上，這樣的隔離又重現(xiàn)了。盡管新基礎(chǔ)設(shè)施的設(shè)計者可能沒有類似的不良意圖，但他們也不能自稱對這些設(shè)施的影響毫不知情。大數(shù)據(jù)從業(yè)者都明白，亞馬遜和其他公司用于提供定制服務(wù)的大型數(shù)據(jù)集不可避免地包含豐富詳細的信息，包括具有受保護屬性的膚色、性別、性取向和政治取向等。算法在這些數(shù)據(jù)的基礎(chǔ)上做出的決定可以隱蔽地打開這些屬性，既令人難以察覺，又是不道德的。

凱特·克勞福德在微軟研究院從事算法偏見的研究，并且是“AI Now”計劃的合作創(chuàng)立者。這項研究關(guān)注的是如今在使用人工智能系統(tǒng)時所面臨的危險。她提出了一個算法公平性的基本問題，即算法可以在多大程度上理解它們所使用數(shù)據(jù)的社會和歷史背景?！澳憧梢宰屢粋€人類操作者去嘗試考慮數(shù)據(jù)本身代表人類歷史的方式，”克勞福德說，“但如何訓(xùn)練機器來做到這一點呢?”不能以這種方式理解背景的機器最多只能傳遞制度化的歧視，即所謂的“偏見入，偏見出”(bias in， bias out)。

糾正這些隱性歧視的努力不足，可能會讓事情變得更糟?？藙诟５碌耐隆⒖的螤柎髮W(xué)的索倫·巴洛卡斯觀察到，終端用戶會“不加批判地接受供應(yīng)商的聲明”，即算法中已經(jīng)消除了偏見。在那些普遍存在偏見的應(yīng)用場合，比如司法系統(tǒng)中，情況尤其如此。對于這些地方，號稱更客觀的機器具有非常大的吸引力。剝離算法中的偏見還要求認可某個關(guān)于公平的主觀定義，同時不理會其他定義，但被選擇的定義往往是最容易量化的，而不是最公平的。

然而，雖然有著種種缺陷，但找出并對抗數(shù)據(jù)和算法中的偏見也會帶來一些機會——能以新的方式使偏見的輪廓呈現(xiàn)在我們面前。

COMPAS的預(yù)測偏見

COMPAS是美國各地法院使用的一款軟件，可以根據(jù)被告人對137個調(diào)查問題的回答，評估他們重新犯罪的可能性。評估結(jié)果將被用于指導(dǎo)保釋決定。

COMPAS的調(diào)查問卷并不涉及膚色、遺產(chǎn)甚至郵政編碼，但確實提出了諸如被告人是否居住在一個“犯罪很多”的街區(qū)，以及他們是否難以找到“超過最低工資”的工作等問題。這些問題更適合向社會提出，而非針對個人。請注意問題中的偏見：答案與種族等受保護的屬性有關(guān)，意味著算法可以學(xué)習(xí)有效地“發(fā)現(xiàn)”數(shù)據(jù)中的這些屬性。然而，推出COMPAS的Northpointe公司宣稱，他們已經(jīng)對該軟件進行了校準，使其對再次被捕的預(yù)測準確性與膚色無關(guān)。

2015年，ProPublica的記者開始利用佛羅里達州布勞沃德縣一位COMPAS用戶的公開記錄來驗證這一說法。他們發(fā)現(xiàn)，當(dāng)COMPAS預(yù)測被告再次被捕的風(fēng)險很高，并且之后確實再次被捕時，其預(yù)測確實在最直接意義上是無關(guān)膚色的。但是，當(dāng)COMPAS預(yù)測不準確時(要么預(yù)測的再次被捕沒有發(fā)生，要么沒有做出實際再次被捕的預(yù)測)，它通常會低估白人再犯的可能性，并高估黑人再犯的可能性。換句話說，它在一組統(tǒng)計數(shù)據(jù)中隱藏的偏見，在另一組統(tǒng)計數(shù)據(jù)中呈現(xiàn)了出來。

ProPublica在一篇文章中報道了這一發(fā)現(xiàn)，文章副標題是“全國各地都使用軟件來預(yù)測未來的罪犯，而它對黑人存有偏見”。Northpointe公司對他們的評價提出了異議，并對文中的論點進行了再次統(tǒng)計分析，以作為回應(yīng)。Northpointe公司將爭論從錯誤率的差異轉(zhuǎn)移到另一個事實，即風(fēng)險分數(shù)反映了一個真實而普遍的情況：未來再次被捕的非裔美國人被告確實更多。該公司指出，這意味著非裔美國人作為一個人群具有較高的風(fēng)險得分并不奇怪。

Northpointe公司的中心論點有一個本質(zhì)性的謬誤：因為在訓(xùn)練數(shù)據(jù)集中，被警察歸類為非裔美國人的人會更頻繁地再次被捕，所以他們宣稱COMPAS有理由預(yù)測其他被警察歸為非裔美國人的人——即使在不同城市、州和時間段——更有可能再次被捕。在數(shù)據(jù)中進行分類的結(jié)果又作用于分類本身，這讓人不禁想起W·E·B·杜波依斯(W.E.B。 Dubois)在1923年所下的定義，“黑人就是在佐治亞州必須乘坐吉姆·克勞公交車的人”[吉姆·克勞(Jim Crow)原是19世紀初一個劇目中黑人角色的名字，后來成為“黑鬼”的貶義詞，之后美國南方針對黑人的種族隔離法案被稱為吉姆·克勞法，而吉姆·克勞的公交車指1960年代之前美國南方各州在公交車上實行的種族隔離]。

雖然這段插曲展示了算法決策帶來的許多危險，但也引發(fā)了一系列學(xué)術(shù)研究，得到了一個令人驚訝的結(jié)論：為一個被告指定風(fēng)險評分的做法需要在“公平”一詞的兩種不相容的定義之間進行權(quán)衡。而且，這種權(quán)衡是普遍的?！叭魏螆?zhí)行這一過程的系統(tǒng)都將面臨這種挑戰(zhàn)，”康奈爾大學(xué)的計算機科學(xué)教授喬恩·克萊因伯格說，“無論它是一個算法系統(tǒng)，還是人類決策者。”

克萊因伯格及其同事發(fā)表了一篇論文，證明Northpointe公司和ProPublica對公平的兩種定義在數(shù)學(xué)上是不相容的。用術(shù)語來說，他們展示了預(yù)測性平價(無論黑人和白人被告是否有相同的風(fēng)險評分總體準確率)和錯誤率平衡(無論兩個人群是否以相同方式獲得錯誤的風(fēng)險評分)之間是相互排斥的。當(dāng)任何兩個人群之間的測量結(jié)果——在COMPAS中是再次被捕的概率——具有不同的基礎(chǔ)比率時，如果應(yīng)用相同的標準，就必然會對較高基礎(chǔ)比率的人群產(chǎn)生偏見誤差。“‘校準’正是導(dǎo)致這一問題的原因，”克萊因伯格說道。任何使用風(fēng)險評分的系統(tǒng)——機器算法或人類機構(gòu)——都是如此，無論是使用哪些因素來生成。

延伸閱讀

推薦閱讀

猜您喜歡